はじめる

RTDETRv2とPP-YOLOE+の比較

コンピュータービジョンの研究では、リアルタイム物体検出に向けて複数のアーキテクチャが生み出されてきました。RTDETRv2とPP-YOLOE+は根本的に異なるアプローチを採用しており、一方は検出Transformer、もう一方は畳み込み検出器です。どちらも高性能な検出を目指していますが、仕組み、学習方法、最適なデプロイシナリオは異なります。

このガイドでは、アーキテクチャ、性能指標、エコシステムのサポートを比較し、開発者や研究者がデプロイ要件に合ったモデルを選べるようにします。

モデルの概要#

性能データを分析する前に、各モデルの起源とアーキテクチャの目標を理解しておくことが重要です。どちらもBaiduの研究チームから生まれましたが、物体検出の系譜では異なる系統に属しています。

RTDETRv2#

RTDETRv2はオリジナルのReal-Time Detection Transformerを基盤とし、CNNバックボーンと効率的なハイブリッドエンコーダー、Transformerデコーダーを組み合わせています。最大の特徴は、エンドツーエンド予測によって後処理時のNon-Maximum Suppression (NMS)が不要なことです。

RTDETRv2の詳細を見る

PP-YOLOE+#

PP-YOLOE+は、PaddleDetectionチームが開発したPP-YOLOEの改良版で、産業用途向けに最適化されています。スケーラブルなCNNアーキテクチャとアンカーフリー検出ヘッドを採用しています。速度と精度の優れたトレードオフを実現するため、Efficient Task-aligned Head(ET-head)やdistribution focal lossなどの技術を導入し、小物体検出を改善しています。

PP-YOLOE+の詳細はこちら

エコシステムとの統合

どちらのモデルにも独立した研究用リポジトリがありますが、統一APIと組み込みのエクスポート機能を備えたUltralytics Pythonパッケージでは、オリジナルのRT-DETRを直接試すことができます。

アーキテクチャの違い#

この2つのモデルの根本的な違いは、視覚的なコンテキストの処理方法と予測の生成方法にあります。

PP-YOLOE+は、従来型ながら高度に最適化された畳み込みニューラルネットワーク(CNN)バックボーンを採用しています。局所受容野を用いて特徴を抽出するため、標準的なデプロイで高速かつ効率的に動作します。ただし、重なり合うバウンディングボックスを除去するためにNMS後処理が必要であり、密集したシーンではレイテンシーが増加する可能性があります。

一方、RTDETRv2はHybrid EncoderとTransformer Decoderを採用しています。これにより、モデルは画像全体にわたるグローバルなコンテキストを捉えられます。アテンション機構が物体間の関係をモデル化するため、モデルはNMSを使わずに最終的なバウンディングボックスを直接出力します。このエンドツーエンドのアプローチにより、検出する物体の数にかかわらず推論レイテンシーが安定します。

性能指標と比較#

YOLOの性能指標を評価する際は、精度(mAP)と計算コスト(FLOPs)、推論速度のバランスを考慮してください。以下の表では、各モデルサイズにおける両モデルの性能を示します。

モデルサイズ
(ピクセル)
mAPval50-95速度
CPU ONNX
(ms)
速度
T4 TensorRT10
(ms)
パラメーター
(M)
FLOPs
(B)
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59

PP-YOLOE+xは、COCOデータセットで最も高いmAPval50-95(54.7%)を達成し、RTDETRv2-xを0.4ポイント上回ります。TensorRTのレイテンシはわずかに低い(14.3 ms対15.03 ms)一方、パラメーター数はより多くなっています(98.42M対76M)。Largeサイズでは、RTDETRv2-lはPP-YOLOE+lより高精度(53.4%対52.9%)でパラメーター数も少ない一方、PP-YOLOE+lの方が高速です(8.36 ms対9.76 ms)。PP-YOLOE+には、パラメーター数が8M未満のTinyおよびSmallバリアントもあり、RTDETRv2がカバーしていないサイズ帯を提供するため、エッジデプロイに適しています。

Ultralyticsの強み:YOLO26の登場#

RTDETRv2とPP-YOLOE+はいずれも優れた検出器ですが、この分野は進化を続けています。速度、精度、エコシステムのサポートのバランスを求める開発者には、新規プロジェクト向けの推奨モデルであるUltralytics YOLO26をお勧めします。

YOLO26は、検出Transformerのエンドツーエンド推論をCNNに取り入れています。オプションのエンドツーエンドNMSフリー推論モード(nms=False)を有効にすると、NMS後処理を省略できます。また、SGDとMuonを組み合わせたMuSGDオプティマイザーを導入しています。これは大規模言語モデル(LLM)の学習に着想を得たもので、より安定した学習と高速な収束を実現します。

エッジ向けに最適化

大量のCUDAメモリを必要とする大規模なTransformerモデルとは異なり、YOLO26はDFLの削除(Distribution Focal Loss)を採用し、エッジコンピューティング向けに最適化されています。その結果、YOLO26nはYOLO11nと比べてCPU推論が最大43%高速です。

YOLO26は物体検出にとどまらず、インスタンスセグメンテーション、セマンティックセグメンテーション、深度推定、画像分類、姿勢推定、方向付きバウンディングボックス (OBB)に標準で対応しています。一方、PP-YOLOE+はバウンディングボックス検出に特化しています。

トレーニング手法とエコシステム#

学習効率と使いやすさにおいて、Ultralyticsエコシステムは独立した研究用リポジトリと大きく異なります。PP-YOLOE+はPaddlePaddleフレームワークに依存し、RTDETRv2では複雑な環境構築が必要になることが多い一方、Ultralyticsモデルは単一のインストール可能なパッケージとAPIを共有しています。

Ultralytics APIはデータセットの自動処理と組み込みのハイパーパラメーター調整を提供し、YOLOモデルはTransformer検出器より少ないメモリで学習できます。ONNXやTensorRTなどの本番形式へのモデルのエクスポートは、1つのコマンドで実行できます。

コード例:効率化された推論#

以下の例では、Ultralytics Pythonパッケージを使用し、推奨モデルのYOLO26とRT-DETRを実行します。

from ultralytics import RTDETR, YOLO

# RT-DETRモデルを初期化します (Ultralyticsは初代RT-DETR-LとRT-DETR-Xをサポートしています)
model_rtdetr = RTDETR("rtdetr-l.pt")

# テスト画像でNMSフリー推論を実行します
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")
results_rtdetr[0].show()

# 最新のYOLO26モデルを初期化します
model_yolo26 = YOLO("yolo26n.pt")

# メモリ使用量を最適化してYOLO26モデルをトレーニングします
model_yolo26.train(data="coco8.yaml", epochs=50, imgsz=640)

# エッジデプロイ向けにTensorRTへエクスポート
model_yolo26.export(format="engine")

実世界での用途とユースケース#

これらのアーキテクチャのどちらを選ぶかは、多くの場合、具体的なハードウェアとアプリケーションの要件によって決まります。

  • RTDETRv2は、サーバーサイド環境や複雑なシーンの理解に優れています。グローバルアテンションにより、重なりの多い物体がNMSによって有効な検出結果として除外される可能性のある、群衆管理や密集した医療画像解析に効果を発揮します。
  • PP-YOLOE+は、高速な産業検査や、すでにPaddlePaddleエコシステムを利用しているチームに適しています。小さいモデルサイズではパラメーター数が少ないため、一部のロボティクス用途にも利用できます。
  • Ultralytics YOLO26は、ほとんどの商用デプロイで推奨される選択肢です。Progressive LossとSmall-Target-Aware Label Assignment(STAL)は小さな物体の認識を向上させ、航空ドローン運用やスマートシティの交通監視で重要な役割を果たします。

ユースケースと推奨事項#

RT-DETRとPP-YOLOE+のどちらを選ぶかは、具体的なプロジェクト要件、デプロイ上の制約、エコシステムに関する好みによって決まります。

RT-DETRを選ぶケース#

RT-DETRは、次のような用途に適しています。

  • Transformerベースの検出研究: NMSを使わないエンドツーエンドの物体検出に向けて、注意機構やTransformerアーキテクチャを検討するプロジェクト。
  • レイテンシに柔軟性がある高精度シナリオ: 検出精度を最優先し、推論レイテンシがやや高くても許容できるアプリケーション。
  • 大きなオブジェクトの検出: 主に中型から大型のオブジェクトが存在し、Transformerのグローバル注意機構が本質的な優位性をもたらすシーン。

PP-YOLOE+を選ぶ場合#

PP-YOLOE+は、次のような用途におすすめです。

  • PaddlePaddleエコシステムとの統合: BaiduのPaddlePaddleフレームワークとツールを基盤とする既存インフラストラクチャを持つ組織。
  • Paddle Liteによるエッジデプロイ: Paddle LiteまたはPaddle推論エンジン向けに特別に最適化された推論カーネルを備えるハードウェアへのデプロイ。
  • サーバー側での高精度検出: フレームワークへの依存が問題にならない、強力なGPUサーバー上で検出精度を最大化することを優先するシナリオ。

Ultralytics (YOLO26)を選ぶ場合#

ほとんどの新規プロジェクトでは、Ultralytics YOLO26が性能と開発者体験の最適な組み合わせを提供します。

  • NMSを使用しないエッジデプロイ: 非最大抑制の後処理を複雑化させずに、安定した低レイテンシー推論を必要とするアプリケーション。
  • CPU-Only Environments: 専用GPUアクセラレーションを備えていないデバイスでは、YOLO26の最大43%高速なCPU推論(YOLO26n対YOLO11n)が大きな優位性をもたらします。
  • 小物体検出: ドローンによる航空画像やIoTセンサー分析など、ProgLossとSTALによって小物体の精度が向上する難易度の高いシナリオに適しています。

結論#

RTDETRv2とPP-YOLOE+は、Transformerと最適化されたCNNのどちらのアーキテクチャもリアルタイム検出に有効であることを示しています。ただし、別々の研究用コードベースからモデルをデプロイすると、本番導入までの期間が長くなる場合があります。

Ultralytics Platformは、アノテーション、学習、デプロイを1つのワークフローに統合します。YOLO11や新しいYOLO26のような統合モデルに移行することで、チームはメモリ要件と開発負荷を抑えながら、優れた精度と速度のトレードオフを実現できます。

コントリビューター

コメント

質問したり、結果を共有したり、ほかの人をサポートしたりできます。